Влияние денежной массы и нефти на объем фондового рынка

Гипотеза о том, что объем фондового рынка определяется объемом денежной массы. Тестовая проверка нефтяной гипотезы. Описание данных при помощи линейной и логарифмической зависимостей. Проверка необходимости использования инструментальных переменных.

Рубрика Экономика и экономическая теория
Вид контрольная работа
Язык русский
Дата добавления 26.12.2011
Размер файла 77,9 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Stock = капитализация по индексу РТС

M = денежная масса M2 (в России)

Oil = цена нефти марки Brent

Идея модели: есть гипотеза о том, что объем фондового рынка определяется объемом денежной массы. Эта гипотеза не очень хорошо обоснована в теории, но достаточно распространена среди макроэкономистов-практиков (например, Е.Е.Гавриленков не исключает такой гипотезы, собственно он меня с ней познакомил).

Альтернативная гипотеза среди практиков: всё определяется ценой нефти.

Строим модель

Результаты оценки:

STOCK = C(1) + C(2)*M + C(3)*OIL

STOCK = -64.25140642 + 2.121065019*M + 1.208573661*OIL

Dependent Variable: STOCK

Method: Least Squares

Date: 12/22/08 Time: 00:54

Sample: 1994 2007

Included observations: 14

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-64.25141

16.67446

-3.853283

0.0027

M

2.121065

1.048528

2.022899

0.0681

OIL

1.208574

0.446968

2.703936

0.0205

R-squared

0.843461

Mean dependent var

31.62247

Adjusted R-squared

0.814999

S.D. dependent var

30.52121

S.E. of regression

13.12769

Akaike info criterion

8.174734

Sum squared resid

1895.698

Schwarz criterion

8.311674

Log likelihood

-54.22313

F-statistic

29.63503

Durbin-Watson stat

1.683804

Prob(F-statistic)

0.000037

Гипотезы:

1 Теория денежной массы не работает: C2=0

2 Теория нефти не работает: C3=0

Гипотезы проверены с помощью теста Вальда, значения t-статистик приведены выше. Основываясь на p-value делаем вывод, что на 5% уровне значимости гипотеза 1 не отвергается: теория денежной массы не работает, гипотеза 2 отвергается: теория нефти работает.

Влияние денежной массы и нефти одинаково: C2=C3

Wald Test:

Equation: EQ01

Test Statistic

Value

df

Probability

F-statistic

0.404301

(1, 11)

0.5379

Chi-square

0.404301

1

0.5249

Null Hypothesis Summary:

Normalized Restriction (= 0)

Value

Std. Err.

C(2) - C(3)

0.912491

1.435080

Restrictions are linear in coefficients.

Данная гипотеза не отвергается. Об этом говорит низкое значение F-статистики. Значит, мы не может с уверенностью утверждать, что влияние разное.

Провести тест Чоу,

Возможно, все изменилось в 2000-х, когда цена нефти стала достаточно высокой.

Chow Breakpoint Test: 2000 

Null Hypothesis: No breaks at specified breakpoints

Varying regressors: All equation variables

Equation Sample: 1994 2007

F-statistic

1.116904

Prob. F(3,8)

0.3978

Log likelihood ratio

4.897746

Prob. Chi-Square(3)

0.1794

Wald Statistic 

3.350713

Prob. Chi-Square(3)

0.3406

Значение F-статистики соответствует p-value около 40%, поэтому гипотеза о равенстве коэффициентов (всех трех) не отвергается. Делаем вывод, что серьезных изменений не произошло.

Провести тест Бокса - Кокса,

Все переменные номинальные. И в основном растут со временем, возможно, экспоненциально. Поэтому есть смысл оценить регрессию в логарифмах.

Dependent Variable: LOG(STOCK)

Method: Least Squares

Date: 12/27/08 Time: 23:49

Sample: 1994 2007

Included observations: 14

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-11.77487

11.20011

-1.051317

0.3157

LOG(M)

0.872621

4.908188

0.177789

0.8621

LOG(OIL)

3.185984

2.900511

1.098421

0.2955

R-squared

0.214354

Mean dependent var

2.158374

Adjusted R-squared

0.071509

S.D. dependent var

2.942306

S.E. of regression

2.835155

Akaike info criterion

5.109480

Sum squared resid

88.41913

Schwarz criterion

5.246420

Log likelihood

-32.76636

F-statistic

1.500605

Durbin-Watson stat

0.574028

Prob(F-statistic)

0.265307

Знаки коэффициентов не изменились, однако оба стали незначимы.

Проверяем, какая модель лучше подходит с помощью теста Бокса-Кокса.

Проводим преобразование Зарембки. В данном случае (для логарифмической модели) делим каждую переменную на среднее геометрическое этой переменной по всем наблюдениям. Расчеты проводим в eviews, который не рассчитывает среднего геометрического, поэтому сначала считаем среднее арифметическое логарифмов переменных, затем возводим экспоненту в соответствующую степень, чтобы получить среднее геометрическое. Затем оцениваем линейную и логарифмическую модели и сравниваем RSS.

Новые переменные, полученные в результате преобразования Zarembka, назовем zStock, zOil, zM.

Dependent Variable: ZSTOCK

Method: Least Squares

Date: 01/05/09 Time: 23:23

Sample: 1994 2007

Included observations: 14

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-7.421860

1.926113

-3.853283

0.0027

ZOIL

4.613613

1.706258

2.703936

0.0205

ZM

5.986387

2.959311

2.022899

0.0681

R-squared

0.843461

Mean dependent var

3.652800

Adjusted R-squared

0.814999

S.D. dependent var

3.525590

S.E. of regression

1.516416

Akaike info criterion

3.857986

Sum squared resid

25.29469

Schwarz criterion

3.994927

Log likelihood

-24.00590

F-statistic

29.63503

Durbin-Watson stat

1.683804

Prob(F-statistic)

0.000037

Estimation Equation:

LOG(ZSTOCK) = C(1) + C(2)*LOG(ZOIL) + C(3)*LOG(ZM)

Substituted Coefficients:

LOG(ZSTOCK) = 3.805344066e-010 + 3.185983792*LOG(ZOIL) + 0.8726208796*LOG(ZM)

Dependent Variable: LOG(ZSTOCK)

Method: Least Squares

Date: 01/05/09 Time: 23:24

Sample: 1994 2007

Included observations: 14

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

3.81E-10

0.757727

5.02E-10

1.0000

LOG(ZOIL)

3.185984

2.900511

1.098421

0.2955

LOG(ZM)

0.872621

4.908188

0.177789

0.8621

R-squared

0.214354

Mean dependent var

-2.87E-11

Adjusted R-squared

0.071509

S.D. dependent var

2.942306

S.E. of regression

2.835155

Akaike info criterion

5.109480

Sum squared resid

88.41913

Schwarz criterion

5.246420

Log likelihood

-32.76636

F-statistic

1.500605

Durbin-Watson stat

0.574028

Prob(F-statistic)

0.265307

У линейной регрессии значение RSS значительно меньше, чем у логарифмической.

Вывод: линейная спецификация лучше описывает данные.

Провести тест Рамсея,

Тестируем модель на пропущенные переменные

Ramsey RESET Test:

F-statistic

0.606829

Prob. F(2,9)

0.5659

Log likelihood ratio

1.771018

Prob. Chi-Square(2)

0.4125

Test Equation:

Dependent Variable: STOCK

Method: Least Squares

Date: 12/22/08 Time: 11:30

Sample: 1994 2007

Included observations: 14

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-48.61893

76.42636

-0.636154

0.5405

M

1.716507

2.539427

0.675943

0.5161

OIL

1.008972

1.225458

0.823342

0.4316

FITTED^2

-0.003455

0.025301

-0.136576

0.8944

FITTED^3

6.19E-05

0.000175

0.353875

0.7316

R-squared

0.862062

Mean dependent var

31.62247

Adjusted R-squared

0.800756

S.D. dependent var

30.52121

S.E. of regression

13.62366

Akaike info criterion

8.333947

Sum squared resid

1670.438

Schwarz criterion

8.562181

Log likelihood

-53.33763

Hannan-Quinn criter.

8.312819

F-statistic

14.06169

Durbin-Watson stat

1.717569

Prob(F-statistic)

0.000656

Пропущенных переменных нет.

Также этот тест применяется для проверки на гетероскедастичность. Ее он тоже не выявил.

5 проверить данные на наличие мультиколлинеарности, принять меры при ее наличии,

Считаем VIF. Здесь всего 2 регрессора, поэтому VIF всего один

Estimation Command:

LS M C OIL

Estimation Equation:

M = C(1) + C(2)*OIL

Substituted Coefficients:

M = 12.80018758 + 0.3457604628*OIL

6. провести тесты на автокорреляцию остатков регрессии, при необходимости

Самый простой тест - Бокса-Пирса

Тест показывает отсутствие автокорреляции

Тест Breusch-Pagan-Godfrey (LM) также не показывает автокорреляции

Коррекция автокорреляции и мультиколлинеарности не требуется, так как их нет.

Тем не менее, можно использовать стандартные средства Eviews для коррекции. Например, поправки Newey-West. Они также позволят избавиться от гетероскедастичности.

Dependent Variable: STOCK

Method: Least Squares

Date: 12/27/08 Time: 23:57

Sample: 1994 2007

Included observations: 14

Newey-West HAC Standard Errors & Covariance (lag truncation=2)

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-64.25141

17.19334

-3.736994

0.0033

M

2.121065

1.068430

1.985217

0.0726

OIL

1.208574

0.428951

2.817511

0.0167

R-squared

0.843461

Mean dependent var

31.62247

Adjusted R-squared

0.814999

S.D. dependent var

30.52121

S.E. of regression

13.12769

Akaike info criterion

8.174734

Sum squared resid

1895.698

Schwarz criterion

8.311674

Log likelihood

-54.22313

F-statistic

29.63503

Durbin-Watson stat

1.683804

Prob(F-statistic)

0.000037

нефтяной фондовый рынок денежный

Видим, что качественно результаты не изменились : знаки, соотношние коэффициентов по модулю, их значимость остались теми же.

Провести тесты на гетероскедастичность остатков регрессии, при необходимости провести коррекцию,

Делаем тест White

Heteroskedasticity Test: White

F-statistic

0.312788

Prob. F(2,11)

0.7377

Obs*R-squared

0.753344

Prob. Chi-Square(2)

0.6861

Scaled explained SS

0.285997

Prob. Chi-Square(2)

0.8668

Test Equation:

Dependent Variable: RESID^2

Method: Least Squares

Date: 12/22/08 Time: 11:38

Sample: 1994 2007

Included observations: 14

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

215.1137

116.0538

1.853570

0.0908

M^2

-0.234352

0.302622

-0.774406

0.4550

OIL^2

0.052258

0.085459

0.611497

0.5533

R-squared

0.053810

Mean dependent var

135.4070

Adjusted R-squared

-0.118224

S.D. dependent var

155.8360

S.E. of regression

164.7905

Akaike info criterion

13.23464

Sum squared resid

298715.0

Schwarz criterion

13.37158

Log likelihood

-89.64246

Hannan-Quinn criter.

13.22196

F-statistic

0.312788

Durbin-Watson stat

2.456647

Prob(F-statistic)

0.737701

Провести тест Хаусмана на необходимость использования инструментальных переменных

Оценить модели бинарного выбора

Оценить тобит - модель

Оценить модель Хекмана

Оценить модели панельных данных

Оцениваем модель ликвидности.

Существует несколько теорий инвестиций. Самая общепринятая - теория q-Тобина. Она основана на предположении, что инвестиции будут сделаны во всех случаях, когда они позволят увеличить стоимость компании. Главным фактором инвестиций является предельный q-Тобина, представляющий собой производную ожидаемой стоимости фирмы по запасу капитала, которым она располагает. Инвестиции осуществляются, если q-Тобина превышает 1. Эмпирические тесты теории q-Тобина показывают, что она не подтверждается: q-Тобина не объясняет динамику инвестиций.

Суть теории ликвидности состоит в том, что в условиях неэффективного рынка капитала инвестиции зависят не только от значения q-Тобина, но и от объема свободных финансовых средств, находящихся в распоряжении компании. В идеальном случае, когда финансовый рынок эффективен, данная теория не работает: внешние источники финансирования доступны в неограниченном объеме и имеют ту же стоимость, что и внутренние, а значит, инвестиции будут профинансированы вне зависимости от объема доступного внутреннего финансирования. В случае, если рынок капитала неэффективен, внешние источники финансирования могут быть недоступны или их стоимость значительно выше, чем у внутренних источников. В таком случае, чем большим объемом внутреннего финансирования обладает компания, тем больший объем инвестиций будет сделан.

Мы используем панельные данные о 74 российских компаниях. Временная структура данных представлена тремя наблюдениями: 01.01.2006, 01.01.2007 и 01.01.2008. Используются следующие показатели: инвестиции (Investment), поток наличности (cash flow), капитализация (equity), основной капитал за вычетом амортизации (net fixed capital). Отдельно рассчитывалось q-Тобина как отношение equity/ net fixed capital.

Итак, оцениваем уравнение

,

где I - инвестиции, Q - q-Тобина, K - капитал, CF=Cash Flow

Оцениваем три спецификации: pooled, FE, RE.

Результаты:

Pooled

Estimation Command:

LS IK C Q CK

Estimation Equation:

IK = C(1) + C(2)*Q + C(3)*CK

Substituted Coefficients:

IK = 0.08187164638 + 0.2705782243*Q + 0.1934773157*CK

FE

Estimation Command:

LS(CX=F) IK C Q CK

Estimation Equation:

IK = C(1) + C(2)*Q + C(3)*CK + [CX=F]

Substituted Coefficients:

IK = 0.08627488452 + 0.3397887573*Q - 0.04054521188*CK + [CX=F]

Dependent Variable: IK

Method: Panel Least Squares

Date: 12/28/08 Time: 00:22

Sample: 2006 2008

Cross-sections included: 74

Total panel (unbalanced) observations: 219

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

0.086275

0.039938

2.160234

0.0324

Q

0.339789

0.020498

16.57675

0.0000

CK

-0.040545

0.068877

-0.588657

0.5570

Effects Specification

Cross-section fixed (dummy variables)

R-squared

0.992154

Mean dependent var

0.876736

Adjusted R-squared

0.988039

S.D. dependent var

5.291824

S.E. of regression

0.578747

Akaike info criterion

2.011934

Sum squared resid

47.89759

Schwarz criterion

3.188051

Log likelihood

-144.3068

F-statistic

241.1058

Durbin-Watson stat

2.345673

Prob(F-statistic)

0.000000

RE

Estimation Command:

LS(CX=R) IK C Q CK

Estimation Equation:

IK = C(1) + C(2)*Q + C(3)*CK + [CX=R]

Substituted Coefficients:

IK = 0.06754984617 + 0.2996573518*Q + 0.09410951395*CK + [CX=R]

Результаты оценок значительно отличаются для трех моделей. Модель Pooled дает наиболее интуитивные результаты. Модели FE и RE подтверждают теорию Q-Тобина. Причем если для RE показатель ликвидности (Cash/K) остался значим на уровне 10,1% и знак оценки коэффициента остался положительным, для FE результат более сильный.

Полученные результаты позволяют поставить под сомнение теорию ликвидности (авторы базовых статей оценивали только Pooled регрессии, которые могут быть неверны).

Для начала сравним RE и FE.

Тест Хаусмана.

Correlated Random Effects - Hausman Test

Equation: EQ2

Test cross-section random effects

Test Summary

Chi-Sq. Statistic

Chi-Sq. d.f.

Prob. 

Cross-section random

110.772723

3

0.0000

Cross-section random effects test comparisons:

Variable

Fixed

Random 

Var(Diff.) 

Prob. 

Q

0.503607

0.157713

0.001164

0.0000

CK

0.290561

0.102632

0.012072

0.0872

CK(-1)

-0.095213

0.114756

0.000615

0.0000

Далее сравниваем Pooled с FE и RE

RSS_pooled

179.0905

 

RSS_FE

47.89759

 

RSS_RE

181.3188

 

 

F

Pv

Pooled Vs FE

5.440538

2.36311E-18

Pooled Vs RE

-0.03791

 

Сравнение Pooled Vs RE свидетельствует об их эквивалентности, а значит нужно выбирать Pooled как более эффективную

Сравение Pooled Vs FE говорит о том, что Pooled несостоятельна, и нужно выбрать FE

Размещено на Allbest.ru


Подобные документы

  • Понятие денежной массы как совокупного объем покупательных и платежных средств. Расчет показателей скорости роста оборота денег. Особенности применения транзакционного и ликвидного подходов к измерению денежной массы. Виды фидуциарных денежных систем.

    реферат [33,4 K], добавлен 14.10.2014

  • Основные подходы к прогнозированию состояния фондового рынка. Обоснование метода прогнозирования состояния фондового рынка в РФ: его ретроспективный анализ, сценарии развития его в долгосрочной перспективе. Описание прогнозной модели и ее верификация.

    курсовая работа [241,1 K], добавлен 25.01.2014

  • Влияние современного фондового рынка на развитие экономики страны. Проблемы и перспективы рынка ценных бумаг Российской Федерации и его инвестиционная привлекательность. Определение приоритетных направлений в развитии финансового рынка государства.

    курсовая работа [1,2 M], добавлен 31.01.2015

  • Роль денежной массы в стабилизации и развитии рыночной экономики. Истоки монетаризма. Мировая известность Милтона Фридмана. Скорость обращения денег. Количественная теория цен. Основные различия монетаризма и кейнсианства. Предложение денежной массы.

    курсовая работа [38,5 K], добавлен 20.05.2011

  • Механизмы функционирования финансового рынка и банковской системы. "Создание" денег коммерческими банками, посреднеческие функции. Норма банковских резервов. Понятие денежной базы и денежной массы. Спрос и предложение денег, равновесие на денежном рынке.

    контрольная работа [73,0 K], добавлен 18.07.2011

  • Сущность закона денежного обращения в современных условиях. Система показателей статистики денег. Понятие и виды кредита в РФ, его классификация, анализ динамики российской денежной массы. Факторный анализ и прогнозирование объема денежной массы.

    курсовая работа [301,2 K], добавлен 05.08.2011

  • Понятие денежной массы, ее структурные компоненты. Виды, цели и инструменты монетарной политики. Состояние денежной сферы и реализация денежно-кредитной политики в I полугодии 2009 г. Эффективность государственных мер по управлению денежной массой в РФ.

    курсовая работа [597,6 K], добавлен 22.10.2009

  • Социально-экономическая сущность статистики денежного обращения. Анализ функционального, экономического и формального содержания финансовых потоков. Скорость обращения денежной массы. Объем налично-денежного оборота. Понятие "узких" и "широких" денег.

    курсовая работа [236,5 K], добавлен 27.01.2011

  • Понятие денежной системы, ее элементы и типы. Особенности современной денежной системы. Денежная единица и денежное обращение в Италии до введения евро. Миссия денег, структура и динамика денежной массы. Специфика проводимой валютной политики в Италии.

    курсовая работа [886,3 K], добавлен 20.03.2013

  • Характеристика инфляции как повышения общего уровня цен, переполнения каналов обращения денежной массы сверх потребностей товарооборота, что вызывает обесценение денежной единицы. Принципы измерения гиперинфляции. Инфляционно опасные инвестиции.

    презентация [433,0 K], добавлен 02.04.2015

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.